[论文解读] Enhanced 3DTV Regularization and Its Applications on Hyper-spectral Image Denoising and Compressed Sensing

Jiangjun Peng, Qi Xie+4 more|arXiv (Cornell University)|Sep 18, 2018

Image and Signal Denoising Methods参考文献 3被引用 5

一句话总结

本文提出了一种新型正则化方法——增强型3D总变差（E-3DTV），通过建模高光谱图像（HSI）梯度图在光谱波段间的相关稀疏结构，替代传统3DTV方法中对各波段独立稀疏性的假设。通过在梯度图的子空间基上施加稀疏性，E-3DTV更准确地捕捉了波段间的相关性，显著提升了HSI去噪与压缩感知的性能，在多个基准测试中达到最先进水平。

ABSTRACT

The 3-D total variation (3DTV) is a powerful regularization term, which encodes the local smoothness prior structure underlying a hyper-spectral image (HSI), for general HSI processing tasks. This term is calculated by assuming identical and independent sparsity structures on all bands of gradient maps calculated along spatial and spectral HSI modes. This, however, is always largely deviated from the real cases, where the gradient maps are generally with different while correlated sparsity structures across all their bands. Such deviation tends to hamper the performance of the related method by adopting such prior term. To this is- sue, this paper proposes an enhanced 3DTV (E-3DTV) regularization term beyond conventional 3DTV. Instead of imposing sparsity on gradient maps themselves, the new term calculated sparsity on the subspace bases on the gradient maps along their bands, which naturally encode the correlation and difference across these bands, and more faithfully reflect the insightful configurations of an HSI. The E-3DTV term can easily replace the previous 3DTV term and be em- bedded into an HSI processing model to ameliorate its performance. The superiority of the proposed methods is substantiated by extensive experiments on two typical related tasks: HSI denoising and compressed sensing, as compared with state-of-the-arts designed for both tasks.

研究动机与目标

• 为解决传统3DTV正则化方法中假设梯度图在光谱波段间稀疏性独立同分布的局限性，而这一条件在真实高光谱图像中极少成立。
• 通过建模光谱波段间的相关性，构建更准确的先验，以反映HSI梯度图的真实稀疏结构。
• 通过将新正则化方法嵌入现有模型，提升HSI处理在去噪与压缩感知任务中的性能。
• 证明E-3DTV可作为适用于多种HSI任务的通用正则化器。

提出的方法

• E-3DTV正则化将标准3DTV在原始梯度图上使用的ℓ₁范数，替换为基于梯度图展开矩阵所提取子空间基的稀疏性诱导项。
• 针对每个模式（空间高度、宽度、光谱），将梯度图展开为矩阵，并通过SVD提取其主导子空间，形成基矩阵。
• 在梯度矩阵与其对应子空间基的乘积上施加稀疏性，从而有效编码波段间的相关性。
• 该方法仅需对现有HSI去噪与压缩感知模型进行最小修改，替换其中的3DTV项即可集成。
• 通过交替方向乘子法（ADMM）框架求解优化问题，实现高效且稳定的收敛。
• 该方法在保持计算效率的同时，显著提升了重建HSI的保真度与边缘保持能力。

实验结果

研究问题

• RQ1 传统3DTV在光谱波段间假设稀疏性独立，这一假设如何影响HSI重建质量？
• RQ2 在梯度图稀疏性中建模波段间相关性，是否能带来更好的HSI去噪与压缩感知性能？
• RQ3 E-3DTV在去噪与压缩感知任务中，相较于最先进方法的提升程度如何？
• RQ4 E-3DTV正则化器在不同HSI数据集与采集条件下是否具备良好的泛化能力？

主要发现

• 所提出的E-3DTV方法在高光谱图像去噪任务中达到最先进性能，所有定量指标（包括PSNR、SSIM和ERGAS）均优于现有方法。
• 在压缩感知任务中，E-3DTV在所有采样率（0.3%、1%、5%、10%、20%）下均显著优于对比方法，PSNR与SSIM值更高，尤其在低采样率下增益最大。
• 视觉结果表明，与JTTV、SL-TNCS和JTenRe3-DTV等方法相比，E-3DTV在复杂区域更能有效保留细微纹理与边缘。
• 该方法在多种HSI数据集（包括Urban、Moffett Field、DC Mall和Lowal Altitude）上均保持稳健性能，表明其具备强大的泛化能力。
• PSNR与SSIM对比结果（见图27）证实，E-3DTV在所有测试波段中均表现优异，几乎在每个波段均优于所有基线方法。
• 结果表明，在梯度图子空间中建模相关稀疏性，相比独立稀疏性建模，能更真实地反映HSI结构。